AlphaGenome 2 affine la lecture du génome cellule par cellule

Google DeepMind lance AlphaGenome 2, un modèle d’IA qui prédit l’effet de variants génétiques sur des types cellulaires précis. L’outil est déjà accessible en recherche non commerciale, mais pas pour le diagnostic clinique.

Google DeepMind a présenté AlphaGenome 2, un modèle d’IA pour la génomique qui passe des prédictions à l’échelle du tissu à une lecture cellule par cellule. Selon l’entreprise, cette version identifie mieux l’effet de variants génétiques sur des types cellulaires précis et peut aider à isoler des causes possibles de maladie. Le service est disponible pour la recherche non commerciale via API, tandis qu’un accès commercial existe en préversion fermée. Pas encore de blouse blanche sur le papier, mais l’outil commence à peser dans le laboratoire.

De la moyenne du tissu au détail qui compte vraiment

Le changement est simple à dire, plus difficile à faire en biologie : AlphaGenome 2 n’essaie plus d’englober tous les tissus d’un coup. Le modèle reçoit une séquence d’ADN et un état biologique précis en entrée, puis calcule ce qui se passe dans ce type cellulaire-là. Google DeepMind explique avoir entraîné le système sur plus de 107 millions de profils cellulaires individuels issus de 68 tissus, chez l’humain et la souris.

Cette approche sert un objectif très concret : mieux comprendre pourquoi une mutation agit dans une cellule donnée, mais pas dans une autre. Le modèle prédit l’activité des gènes, la manière dont l’ADN est emballé dans le noyau et la méthylation de l’ADN, c’est-à-dire des marqueurs chimiques qui peuvent activer ou faire taire un gène. Il peut aussi déduire des propriétés manquantes à partir d’une seule mesure expérimentale, ce qui aide à choisir les expériences de paillasse à lancer ensuite.

Des variantes mieux triées, des effets plus lisibles

Sur le benchmark TenK10K, qui couvre 28 types de cellules immunitaires primaires, AlphaGenome 2 a identifié environ 30 % des variants causaux, contre 16 % pour une version affinée d’AlphaGenome 1. Dans 43 % des cas, il a aussi correctement prédit si un variant augmentait ou réduisait l’expression d’un gène, contre 23 % pour son prédécesseur. Les chiffres restent circonscrits à ce test, mais l’écart donne une idée du gain de résolution.

DeepMind dit aussi avoir reproduit, en pur calcul, un mécanisme déjà décrit dans une étude sur la maladie inflammatoire de l’intestin. Le modèle a isolé la variante exacte située dans un interrupteur régulateur éloigné du gène, capable de suractiver ETS2 dans des macrophages intestinaux, sans toucher de la même façon les autres types cellulaires. Pour les chercheurs, ce genre de résultat compte car il rapproche un signal génétique large d’une cible biologique exploitable.

Ce que l’IA voit dans les cellules que les autres ratent

AlphaGenome 2 se montre aussi plus utile quand l’état cellulaire change. Sur des données liées à la maturation des cellules souches du sang en globules rouges, ses prédictions collaient davantage aux mesures observées que celles du modèle précédent. Sur une étude de vaccin à ARN messager contre la COVID-19, il a distingué des lymphocytes T activés de cellules au repos et montré qu’un variant associé à des formes graves perturbait surtout l’activité cellulaire dans l’état activé. Dans les cellules au repos, le signal serait passé sous le radar.

Le modèle a également été appliqué à des études d’association pangénomiques, ou GWAS, qui relient de larges régions de l’ADN à des traits comme la taille ou le diabète de type 2. AlphaGenome 2 aide alors à resserrer la zone, à repérer les variants les plus plausibles et à identifier les cellules concernées, comme certains astrocytes dans le cerveau ou des cellules immunitaires précises. C’est le genre de travail qui ne fait pas la une, mais qui évite des semaines de tri à l’aveugle.

Un outil de recherche, pas un diagnostic

Google DeepMind précise que les prédictions précalculées couvrent déjà des centaines de conditions cellulaires et tissulaires, notamment pour soutenir la découverte de médicaments. L’entreprise annonce aussi un accès par API pour la recherche non commerciale et une préversion fermée pour les usages commerciaux. En revanche, AlphaGenome 2 n’est pas approuvé pour le diagnostic clinique.

Dans le même mouvement, DeepMind veut intégrer des fonctions dédiées à AlphaGenome 2 dans Google Antigravity, sa plateforme agentique, avec Gemini 4 pour automatiser certains flux de travail de recherche. Reste à voir comment ces outils seront adoptés par les labos, entre promesse de vitesse et prudence méthodologique. En génomique, l’IA ne remplace pas l’expérience ; elle peut surtout éviter d’en faire dix de trop.

Points clés

  • AlphaGenome 2 cible un type cellulaire précis, pas le tissu moyen.
  • 107 millions de profils cellulaires ont servi à l’entraînement.
  • Sur TenK10K, il trouve environ 30 % des variants causaux.
  • DeepMind donne un accès non commercial par API.
  • L’outil n’est pas approuvé pour le diagnostic clinique.
  • Google Antigravity doit intégrer des fonctions dédiées prochainement.

En chiffres

  • 107 millions — profils cellulaires individuels, humains et souris, selon Google DeepMind.
  • 68 tissus — périmètre d’entraînement annoncé pour AlphaGenome 2.
  • 28 types cellulaires immunitaires — benchmark TenK10K utilisé pour l’évaluation.
  • 30 % — variants causaux identifiés sur TenK10K, selon DeepMind.
  • 16 % — score d’une version affinée d’AlphaGenome 1 sur le même test.

À lire